在聚类算法中,特别是基于中心的聚类方法(如FCM和KFCM),初始聚类中心的选择对于最终聚类结果的影响非常大。传统的FCM算法通常使用随机初始化来确定初始聚类中心,这可能会导致不稳定的聚类结果,因为不同的随机初始化可能会得到不同的聚类中心,进而影响最终的聚类结果。
为了克服这一问题,提出在FCM聚类结果的基础上,将聚类中心作为KFCM算法的初始聚类中心进行迭代优化。这种方法的创新点在于:
-
稳定性和一致性增强:通过利用FCM的聚类中心作为初始点,可以提高算法的稳定性和一致性。因为在相同的数据集上,使用相同的初始聚类中心,可以更容易地复现和比较实验结果。
-
解决随机初始化带来的偏差:随机初始化可能会导致聚类中心偏移,而基于FCM结果的初始化可以有效地解决这一问题,从而得到更加合理和稳定的聚类中心。
-
验证方法的有效性:通过对比改进前(图4.3)和改进后(图4.4)的聚类结果,可以直观地展示这种方法的有效性和优越性,进一步验证了提出方法的实用性和效果。
因此,将FCM聚类结果作为KFCM算法的初始聚类中心优化,确实具有创新性,因为它不仅仅是简单地使用传统的随机初始化,而是结合了前一阶段的聚类结果,从而提高了算法的鲁棒性和效果。